Intelligentes Wissens- und Kompetenzmanagement

Die DBI-Gruppe deckt die gesamte Wertschöpfungskette grüner Gase von ihrer Erzeugung bis zur Nutzung ab und verbindet forschungsintensive Entwicklung mit klassischen ingenieurtechnischen Dienstleistungen. DBI ist eine unabhängige Unternehmensgruppe des Deutschen Vereins des Gas- und Wasserfaches e.V. (DVGW).

Im Rahmen von Industriedienstleistungen und Forschungsprojekten arbeitet DBI an zwei Standorten (Freiberg, Leipzig) in neun Fachgebieten entlang der Wertschöpfungskette gasförmiger Energieträger. Als forschungsintensives KMU strebt DBI eine enge inhalt-liche Integration der unterschiedlichen Organisationseinheiten und ihrer Kompetenzen an. Dabei stellt die Zuordnung von Aufgabenstellungen zu den jeweils geeigneten Erfahrungsträgern sowohl in Forschungs- als auch in Industrieprojekten eine zentrale Herausforderung dar. Darüber hinaus fehlt eine organisationsübergreifende und strukturierte Wissens-basis für Projekte und Kompetenzen. Die Ausgangssituation für die Projektplanung und -bearbeitung ist geprägt von isolierten Datenquellen und -formaten, fehlender Informationslogik sowie stark personengebundenem Kontextwissen. Dies führt zu ineffizienten Such- und Kommunikationsprozessen und kontinuierlich hohen Abstimmungsaufwänden.

Der aus dem historischen Datensatz generierte Wissensgraph umfasst aktuell sechs zentrale Klassen sowie über 11.740 Tripel. Ein Tripel ist eine Dateneinheit, bestehend aus Subjekt, Prädikat und Objekt, welche Wissen in eine maschinenlesbare Form bringt und es ermöglicht, komplexe Informationen in einem System abzubilden. Auf diese Weise wurden relevante Informationen aus etwa 300 historischen Projekten erfasst, sowie Angaben zu 32 Teams aus neun Fachgebieten integriert. Bevor das System in Betrieb genommen werden konnte, wurde neben dem Backend (inkl. Datenverarbeitung), KI-Modul (Link Prediction) und Zusatzfunktionen (bspw. Feedback-Modul) ein Frontend entwickelt, welches an das Gesamtsystem der Unternehmensgruppe angepasst ist.

Während der Nutzung des Systems gibt ein User (Person, die Anfrage für eine Kooperation erhält) ein potenzielles Projekt über ein strukturiertes Formular ein. Diese Angaben werden zum Wissensgraphen hinzugefügt, der auf Projekten, Teams und Kompetenzen basiert und mithilfe von Knowledge Graph Embedding Models in Vektordarstellungen, also in eine numerische Darstellung der einzelnen Elemente, übersetzt. Ein Link-Prediction-Algorithmus berechnet über Distanzfunktionen die Nähe zwischen Projekt und Teams. Das Ergebnis ist eine Rangliste der wahrscheinlich am besten geeigneten Bearbeitungsteams.

Die Entscheidung der Erfassung von Kompetenzen auf Teamebene legt den Fokus der Anwendung auf die Effizienz des betrieblichen Wissensmanagements und die Kollektivierung von Expertise (welche zur Zuordnung von Projektanfragen notwendig ist) statt auf individuelle Leistungsüberwachung. Dies wirkt sich positiv auf die Akzeptanz des Systems aus. Zudem trifft das System selbst keine Entscheidungen, d.h. es leitet keine Projektanfragen an geeignete Teams weiter oder teilt Anfragen zu. Stattdessen fungiert es als Unterstützungswerkzeug und trägt dazu bei, die Komplexität des Anfrageprozesses für die Mitarbeitenden zu reduzieren, indem es Vorschläge erstellt. Dies entlastet die mit der Bearbeitung von Projektanfragen betrauten Beschäftigten. Darüber hinaus trägt der Aufbau einer Wissensdatenbank, in diesem Fall des Wissensgraphen, dazu bei, implizites, d.h. personengebundenes, Wissen zu explizieren und damit für einen größeren Personenkreis zugänglich zu machen.

Die Einbindung einer Bewertungsfunktionalität ermöglicht es Nutzenden, die Qualität der systemseitig erstellten Vorschläge zu beurteilen. Die Bewertungen fließen in den iterativen Entwicklungsprozess ein und ermöglichen es, das System fortlaufend zu verbessern.

Die prototypische Umsetzung des Kompetenzmatching-Ansatzes war mit zahlreichen Herausforderungen verbunden. Neben der technischen Komplexität der Anwendungsentwicklung stellte auch die Datenqualität eine zentrale Hürde dar, die es für die erfolgreiche Umsetzung des Systems zu bewältigen galt. Informationen zu bereits in der Vergangenheit abgeschlossenen Projekten lagen teilweise nur unstrukturiert oder unvollständig vor. Wie in allen KI-Systemen ist die Datenqualität der Datenbasis jedoch ein entscheidender Faktor für die Ergebnisqualität. Dieser Herausforderung galt es deshalb mit hohem manuellem Aufwand für die Datenpflege zu begegnen.

Der gewählte Ansatz der Link Prediction funktioniert in der Praxis und ermöglicht eine flexible Plattform zur Zuordnung von Teams zu Projekten auf Basis passender Kompetenzen. Die Einbindung von Nutzenden in die Datenaufnahme verbessert die Datenqualität und steigert die Modellperformance. Die gewählte Datenstruktur erlaubt zudem eine kontinuierliche, strukturierte Erweiterung der Datenbasis. Die Plattform unterstützt damit nicht nur die Vorhersage, sondern auch den Ausbau des Datensatzes. Die zugrundeliegende Ontologie kann flexibel erweitert werden, etwa für neue Themenfelder, und ist grundsätzlich auf andere Unternehmen übertragbar. Einschränkend ist die aufwendige Auswahl und Anpassung geeigneter Embedding Models sowie die Sensitivität der Modellperformance des Link Predictions gegenüber Änderungen an Datenbasis und Ontologie.